ROC曲线以及评估指标F1-Score, recall, precision-整理版

最近一直在看ROC曲线，查阅了一些资料，并进行了整理，文章结尾有原资料链接。希望能节约各位找资料的时间。

ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣。ROC曲线怎么来的呢，我们来看经典的混淆矩阵：

ROC曲线一般的横轴是FPR，纵轴是FPR。AUC为曲线下面的面积，作为评估指标，AUC值越大，说明模型越好。如下图：

当然还有其他的一些评估指标，常见的有：ROC、AUC、precision、recall、F1-score。下面是指标详细：

Terminology and derivations
from a confusion matrix
true positive (TP) eqv. with hit true negative (TN) eqv. with correct rejection false positive (FP) eqv. with false alarm, Type I error false negative (FN) eqv. with miss, Type II error sensitivity or true positive rate (TPR) eqv. with hit rate, recall $ROC曲线以及评估指标F1-Score, recall, precision-整理版$ specificity (SPC) or true negative rate (TNR) $ROC曲线以及评估指标F1-Score, recall, precision-整理版$ precision or positive predictive value (PPV) $ROC曲线以及评估指标F1-Score, recall, precision-整理版$ negative predictive value (NPV) $ROC曲线以及评估指标F1-Score, recall, precision-整理版$ fall-out or false positive rate (FPR) $ROC曲线以及评估指标F1-Score, recall, precision-整理版$ false discovery rate (FDR) $ROC曲线以及评估指标F1-Score, recall, precision-整理版$ miss rate or false negative rate (FNR) $ROC曲线以及评估指标F1-Score, recall, precision-整理版$ accuracy (ACC) $ROC曲线以及评估指标F1-Score, recall, precision-整理版$ F1 score is the harmonic mean of precision and sensitivity $ROC曲线以及评估指标F1-Score, recall, precision-整理版$ Matthews correlation coefficient (MCC) $ROC曲线以及评估指标F1-Score, recall, precision-整理版$ $Informedness = Sensitivity + Specificity - 1$ $Markedness = Precision + NPV - 1$

以下是指标的介绍：感觉原博主讲的很好，我就不作修改了，复制粘贴排版会乱，就直接截图了。